MIT et IBM transforment la théorie en IA déployable

MIT et IBM rapprochent théorie et production au sein du MIT-IBM Computing Research Lab, anciennement MIT-IBM Watson AI Lab. La publication du MIT date du 2 septembre 2026. Trois chercheurs illustrent cette démarche. Srinivasan Arunachalam travaille sur l’apprentissage automatique quantique. Zhang-Wei Hong étudie l’apprentissage par renforcement et les agents d’intelligence artificielle. Irene Ko se concentre sur une IA fiable et équitable. Tous trois ont été formés au MIT avant de rejoindre IBM. Le laboratoire leur a permis de développer des idées théoriques dans des systèmes soumis à des contraintes réelles. Cette collaboration relie ainsi formation, recherche académique et applications industrielles. La présentation complète est disponible sur MIT News.

Trois parcours convergents montrent des applications distinctes. Hong a travaillé avec le professeur associé Pulkit Agrawal sur l’apprentissage des fonctions de valeur dans les jeux vidéo Atari. Son étude utilisait « Montezuma’s Revenge » pour prédire et optimiser la performance d’une politique d’agent. Le laboratoire l’a ensuite conduit vers la robotique, les grands modèles de langage et l’apprentissage par renforcement pour les sciences. Ko a commencé sa collaboration avec IBM dès le début de son doctorat, financé par MIT-IBM. Arunachalam a rejoint le MIT comme postdoctorant en 2018, dans le groupe d’Aram Harrow. Leurs travaux conservent une exigence commune de rigueur et de déploiement.

Hong développe des agents adaptatifs

Les travaux de Hong portent désormais sur l’exploration guidée par la curiosité et l’entraînement au moment du test. Il développe une infrastructure pour le cadre d’agents d’IBM. Cette infrastructure vise des tâches d’entreprise comme la lecture de graphiques et l’appel d’outils pour interroger des bases de données. Hong étudie aussi l’informatique évolutionnaire pour optimiser l’exploration. Il mobilise la neuroscience pour orienter l’amélioration des modèles au moment du déploiement. Il estime qu’un système capable d’améliorer ses poids en ligne pourrait devenir utile aux praticiens de l’apprentissage par renforcement. Cette capacité reste présentée comme une hypothèse conditionnelle par le chercheur. Il encadre également des étudiants et poursuit ses recherches sur les agents et les modèles fondamentaux.

Irene Ko travaille sur les limites des méthodes d’IA fiable utilisées dans les plateformes d’inférence. Son projet vLLM Hook donne accès à des signaux internes, comme les états cachés et les activations, pour décoder des grands modèles de langage. Le module agit sur des composants de transformeur afin d’analyser des scores de sécurité. Ces scores peuvent notamment estimer la probabilité d’une injection de commande ou d’une hallucination. Ko a développé un cadre léger de modules pour le moteur d’inférence vLLM. Elle le présente comme un pont entre développement et déploiement dans l’IA fiable. Son approche se distingue des adaptateurs de faible rang, qui ajoutent des étapes de surveillance et de modification.

Arunachalam teste les avantages quantiques

L’approche quantique d’Arunachalam privilégie les algorithmes et circuits susceptibles d’être implémentés sur des dispositifs à court terme. Avec Isaac Chuang et le chercheur IBM Kristan Temme, il a étudié des contraintes comme les architectures à voisins proches, le bruit et les mesures d’observables simplifiées. Ses travaux ont donné lieu à deux articles importants. Le premier porte sur l’apprentissage hamiltonien et fournit des garanties rigoureuses pour apprendre la dynamique de systèmes quantiques. Le second concerne les noyaux quantiques. Il apporte des éléments théoriques en faveur d’avantages des espaces de caractéristiques quantiques sur des noyaux classiques, sous des hypothèses de difficulté largement admises. Arunachalam continue aussi d’examiner les liens entre plusieurs domaines informatiques.